Berichterstattung zur Sichtbarkeit von KI-Suchanfragen: Wie Sie den ROI von ChatGPT, Perplexity und KI-Übersichts-Traffic für Kunden nachweisen können

Die KI-Suche hat ein Reporting-Problem verursacht, für dessen Bewältigung SEO-Dashboard-Reporting-Tools nicht entwickelt wurden.

Viele Jahre lang konnten Agenturen ihren Kunden eine bewährte Logik präsentieren: Verbesserungen im Keyword-Ranking führten zu mehr organischen Impressionen, Klicks, Conversions und Umsatz. Das stimmt im Prinzip immer noch, aber es greift nicht mehr, sobald Nutzer die Marken über ChatGPT, Perplexity, Google AI Overviews, Google AI Mode, Gemini, Claude und andere KI-basierte Suchmaschinen finden.

Nutzer können ChatGPT fragen, welche Softwareunternehmen für bestimmte Anwendungsfälle am besten geeignet sind, und erhalten fünf Vorschläge. Sie müssen aber nicht unbedingt alle genannten Quellen anklicken. Andere Nutzer erfahren über KI-Suchergebnisse von einem bestimmten Unternehmen und suchen später bei Google danach. Jemand anderes klickt vielleicht auf einen Eintrag von Perplexity und wird so zu einem qualifizierten Lead.

Nur die dritte Interaktion kann in den Analysen eindeutig als KI-gestützter Empfehlungsverkehr erscheinen.

Das bedeutet nicht, dass die ersten beiden Interaktionen keinen Marketingwert hatten.

Deshalb sollte die Berichterstattung zur Sichtbarkeit von KI-Suchergebnissen nicht allein auf die Zählung der ChatGPT-Besuche reduziert werden. Ein aussagekräftiger Kundenbericht muss drei verschiedene Aspekte messen: ob die Marke sichtbar ist, ob die KI-Suche Nutzer auf die Website leitet und ob diese Interaktionen zu Geschäftsergebnissen beitragen.

Google selbst stellt jetzt in der Search Console einen generativen KI-Leistungsbericht zur Verfügung, der Impressionen aus KI-Übersichten und dem KI-Modus misst, während Google Analytics einen KI-Assistentenkanal eingeführt hat, der den Datenverkehr von bekannten Assistenten wie ChatGPT, Gemini und Claude identifizieren kann.

Was ist ein Bericht zur Sichtbarkeit der KI-Suche?

Die Praxis, die Sichtbarkeit einer Marke in KI-gestützten Suchergebnissen zu messen, indem man analysiert, wie oft, auf welche Weise und an welchen Stellen eine Marke in den Suchergebnissen erscheint, wird als KI-Suchsichtbarkeitsreporting bezeichnet. Es sei gleich zu Beginn darauf hingewiesen, dass der Begriff „Messung“ zwar eine präzise Bewertung suggeriert, dies aber in diesem Bereich nicht immer der Fall ist. Jeder Bericht in diesem Bereich ist lediglich ein Näherungswert, der auf den vom Anbieter gewählten Suchanfragen basiert und nicht die tatsächliche Sichtbarkeit der Nutzer widerspiegelt.

Traditionelle SEO-Berichte fragen nach dem Ranking einer Seite. KI-gestützte Suchberichte stellen ein breiteres und komplexeres Fragenspektrum:

• Wird die Marke erwähnt, und wie konsistent wird dies bei wiederholten identischen Abfragen getan? (Die Ergebnisse von LLM sind nicht deterministisch – dieselbe Abfrage kann von Durchlauf zu Durchlauf unterschiedliche Marken, Wettbewerber oder Zitate liefern.)
• Wird die Marke als Quelle angegeben oder lediglich anhand der Trainingsdaten des Modells genannt, ohne dass ein Link existiert?
• Welche Konkurrenten werden daneben angezeigt, und wie variiert dies je nach Formulierung der Aufgabenstellung?
• Welche Seiten werden zitiert, und besteht ein Zusammenhang mit dem Zugriff durch Webcrawler?
• Klicken Nutzer von KI-Plattformen auf die Links, und führt dieser Traffic zu Konversionen?
• Hat die Nutzung von KI Einfluss auf Konversionen, die später über einen unabhängigen Kanal erfolgen, und wenn ja, wie ließe sich das erklären?

Die letzte Frage ist der eigentliche Knackpunkt. Sichtbarkeit kann auch ohne Klick entstehen, was bedeutet, dass die wertvollsten Interaktionen (jemand liest eine Antwort, gewinnt einen Eindruck und konvertiert später über die Markensuche oder direkten Traffic) genau diejenigen sind, die dieses Framework nicht kausal mit der KI-Erwähnung verknüpfen kann. Das ist dasselbe Problem der Attribution aus intransparenten sozialen Netzwerken, das Markenwerbung noch nie gelöst hat. Angewendet auf einen neuen Kanal, sollte dies als Einschränkung benannt und nicht durch einen scheinbar sauberen Funnel verschleiert werden.

Zur Funktionsweise: Die Dokumentation von OpenAI bestätigt, dass jede öffentliche Website in der ChatGPT-Suche erscheinen kann. Die Aufnahme in Zusammenfassungen und Zitate hängt davon ab, ob der OAI-SearchBot blockiert wird – eine Platzierung ist jedoch nie garantiert, und eine Blockierung entfernt eine Website nicht zwangsläufig aus allen Navigationslinks. Googles KI-Übersichten erfassen Klicks auf Links in KI-Übersichten ebenfalls als Klicks auf externe Seiten. Da jedoch mehrere Quellen ein Ergebnis stützen können, „besitzt“ keine einzelne Website eine Ranking-Position wie in den klassischen organischen Suchergebnissen.

Drei Ebenen der KI-Suchmessung, mit dem jeweiligen Vorbehalt pro Ebene.

Schicht	Was es misst	Beispiel	Zuverlässigkeitshinweis
Sichtbarkeit	Ob die Marke erscheint	Marke erwähnt in ChatGPT	Stichproben aus einem vom Anbieter vorgegebenen Eingabeaufforderungsset, kein beobachteter Nutzerverkehr; nicht deterministisch über verschiedene Durchläufe hinweg.
Beeinflussen	Ob die Marke zitiert, empfohlen oder erwähnt wird	Marke unter den empfohlenen Anbietern aufgeführt	Das Vorhandensein von Zitaten ist besser beobachtbar als „Empfehlungen“, die oft eine subjektive Interpretation des generierten Textes darstellen.
Ergebnis	Ob die KI-Suche zu Geschäftsergebnissen beiträgt	ChatGPT-Empfehlungen generieren einen Lead	Nur messbar, wenn ein Klick und ein Referrer-Header vorhanden sind; ein Einfluss ohne Klick wird zwar angenommen, aber nicht erfasst.

Warum herkömmliches SEO-Reporting nicht ausreicht?

Traditionelle SEO-Kennzahlen behalten weiterhin ihre Aussagekraft. Rankings, organischer Traffic und die Conversion-Rate nach dem letzten Klick beschreiben nach wie vor einen authentischen Prozess, der von der ersten Kontaktaufnahme bis zur Auswahl eines Unternehmens durch die Nutzer abläuft. KI-gestützte Suchvorgänge haben jedoch neue Schritte in den Prozess zwischen Suche und Conversion eingeführt, die mit herkömmlichen Methoden nicht erfasst werden konnten. Dieser Abschnitt erläutert diese Lücke, beleuchtet die zugrundeliegenden Fakten und fragwürdigen Annahmen und stellt eine Methode zur Analyse dieser Lücke vor.

Zwei unterschiedliche Reisen

Eine Person, die im herkömmlichen Sinne bei Google sucht, durchläuft einen recht linearen Prozess: Sie sieht ein Suchergebnis, klickt darauf, besucht die Website und führt eine Aktion aus. Jeder Schritt dieses Prozesses hinterlässt Spuren, die Analysetools erfassen sollen: Impressionen, Klicks, Sitzungen, ausgefüllte Formulare und die Herkunftsquelle.

Nutzer von KI-Suchmaschinen gehen anders vor. Sie stellen eine eher dialogorientierte, oft längere Frage. Daraufhin erhalten sie eine zusammengefasste Antwort, die mehrere Quellen gleichzeitig einbezieht und kombiniert. Innerhalb dieser Antwort werden ihnen möglicherweise verschiedene Unternehmen gegenübergestellt: Preise, Funktionen, Reputation – ohne dass ihnen jemals eine Rangliste mit Links zur Auswahl angezeigt wird. Erst nach diesem Vergleich entscheiden sie, ob sie überhaupt eine Website besuchen, und viele tun es nicht.

Dieser letzte Punkt ist der Kern des Messproblems: Sichtbarkeit und Einfluss können auch ohne Referral-Traffic entstehen. Eine Marke kann der Grund für die Meinungsbildung einer Person sein und dennoch in dem betreffenden Tool keine Sitzungen generieren. Herkömmliche Reporting-Methoden, die fast ausschließlich auf nachvollziehbaren Klicks und Sitzungen basieren, erfassen dies nicht.

Eine konkrete Veranschaulichung (hypothetisch)

Um den Mechanismus zu verdeutlichen, handelt es sich hierbei um ein konstruiertes Beispiel, nicht um einen dokumentierten Fall. Stellen Sie sich ein SaaS-Unternehmen vor, das von ChatGPT als Antwort auf die Anfrage „Welche Projektmanagement-Plattformen eignen sich am besten für ein Unternehmen mit 100 Remote-Mitarbeitern?“ empfohlen wird. Der Nutzer liest die Empfehlung und sieht den Namen des Unternehmens, klickt aber nicht darauf.

Am folgenden Tag sucht der Nutzer bei Google nach dem Markennamen des Unternehmens und meldet sich anschließend für eine Demo an. Google Analytics erfasst dieses Ereignis als organische Suchsitzung. Informationen zum vorherigen Chatverlauf lassen sich aufgrund fehlender Klicks, Referrer-Header oder UTM-Parameter nicht nachverfolgen.

Wenn die Marketingabteilung in einem solchen Szenario ausschließlich die Last-Click-Methode zur Lead-Konvertierung nutzt, wird der ChatGPT-Kanal nicht der Lead-Konvertierung zugeordnet, obwohl er maßgeblich zur Kundengewinnung beigetragen hat. Dies ist kein unwahrscheinlicher Ausnahmefall, sondern vielmehr die zu erwartende Regel für einen Kanal, der regelmäßig auch ohne Klicks Einfluss generiert.

Die korrekte Schlussfolgerung ist differenzierter, als man vielleicht vermuten würde. Es ist nicht angebracht, die Conversion ChatGPT zuzuschreiben oder die Umsätze der KI-Suche zuzuschreiben. Dies würde die Beweislage überbewerten; es lässt sich nicht bestätigen, dass die Nutzung von ChatGPT die spätere Suche verursacht hat, sondern nur, dass sie ihr vorausging und ein plausibler Mitgrund ist. Die vertretbare Aussage lautet: Die KI-Suche war ein erkennbarer Einflussfaktor im Nutzerverhalten, aber ein direkter Zusammenhang mit den Umsätzen konnte nicht nachgewiesen werden. Diese Unterscheidung zwischen Fakten und Vermutungen sorgt dafür, dass solche Berichte glaubwürdig bleiben und nicht werblich wirken.

Die Klickdaten sind umstritten – und der umstrittene Teil ist von Bedeutung.

Jeder Leitfaden zu diesem Thema wird letztendlich auf Googles eigene Position zu den Auswirkungen von KI-Übersichten auf das Klickverhalten eingehen. Daher ist es wichtig, genau darzulegen, wie diese Position lautet, woher sie stammt und wie sie sich mit unabhängigen Daten vergleichen lässt.

Googles Stellungnahme: In einem Blogbeitrag als Reaktion auf externe Kritik erklärte Liz Reid, Vizepräsidentin der Google-Suche, dass KI-gestützte Übersichten mehr Suchanfragen generieren und diese Suchanfragen oft länger und komplexer als herkömmliche Suchanfragen sind. Sie gab außerdem an, dass das gesamte organische Klickvolumen von der Suche zu Websites im Jahresvergleich „relativ stabil“ geblieben sei und dass Google etwas mehr „qualitativ hochwertige Klicks“ an Websites weiterleite als im Vorjahr – definiert als Klicks, bei denen Nutzer nicht schnell zu den Suchergebnissen zurückkehren, ein Zeichen für echtes Interesse. 

Die Begründung: Mehr Suchanfragen und mehr Links pro Antwort schaffen insgesamt mehr Möglichkeiten für einen Klick, und bei Fragen, bei denen die Leute mehr als nur eine schnelle Antwort wollen, klicken sie trotzdem weiter, und diese Klicks sind dann zielgerichteter.

Dies ist zwar ernst zu nehmen, sollte aber nicht als neutral betrachtet werden. Der Beitrag wurde gezielt veröffentlicht, um eine Studie Dritter zu widerlegen, enthält keine Belege oder methodischen Angaben und stammt von dem Unternehmen, dessen Produkt Gegenstand der Behauptung ist. Google hat ein direktes kommerzielles Interesse daran, dass Publisher und Werbetreibende glauben, KI-Übersichten hätten dem Referral-Traffic nicht geschadet. Die Zusammenarbeit mit Publishern, die Lizenzierung von Inhalten, das Vertrauen der Werbetreibenden und die regulatorische Kontrolle hängen alle teilweise von diesem Glauben ab.

Was unabhängige Forschungen ergeben haben:

• Pew Research Eine Studie mit fast 69,000 realen Suchanfragen von 900 US-amerikanischen Erwachsenen ergab, dass nur 8 % der Nutzer auf einen Link klickten, wenn eine Suchanfrage eine KI-Übersicht auslöste – im Vergleich zu 15 %, wenn keine KI-Übersicht angezeigt wurde. Das entspricht etwa der Hälfte der Klickrate.
• Analysen auf Basis der Search Console, die von unabhängigen SEO-Forschern durchgeführt wurden und die gleichen Keyword-Sets vor und nach der Einführung von AI Overviews in einem bestimmten Markt verglichen, haben einen Rückgang der Klickrate im Bereich von 30–35 % ergeben.
• BrightEdge, eine SEO-Plattform für Unternehmen, berichtet, dass KI-Übersichten mittlerweile bei über 11 % der Suchanfragen erscheinen, ein Anstieg von etwa 22 % im Vergleich zum Vorjahr, und dass das Volumen langer, komplexer Suchanfragen, die KI-Übersichten auslösen, im gleichen Zeitraum um rund 49 % gestiegen ist – was Googles Behauptung über die Komplexität von Suchanfragen stützt, auch wenn andere Daten der Behauptung über die Klickstabilität widersprechen.
• Google selbst hat die KI-Übersichten inzwischen erweitert, um Folgefragen innerhalb der Antwort zu unterstützen, und ein leistungsfähigeres Modell als Standard-Engine dahinter eingeführt – Änderungen, die dafür sorgen, dass die Nutzer länger in der KI-Antwort verweilen, wodurch die Wahrscheinlichkeit, dass sie jemals auf einen Link klicken, eher verringert als erhöht wird.

Es gibt auch einen strukturellen Grund, jedem präzisen Vergleich zwischen Googles Darstellung und unabhängigen Zahlen zu misstrauen: Die Google Search Console erlaubt Website-Betreibern weiterhin nicht, die Impressionen und Klicks der KI-Übersicht von der regulären organischen Suchleistung zu trennen. Website-Betreiber können Googles Behauptung nicht anhand ihrer eigenen Daten überprüfen, selbst wenn sie es wollten. Diese Asymmetrie – die Partei, die die beruhigende Behauptung aufstellt, kontrolliert das einzige System, das sie überprüfen könnte – ist an sich schon ein Grund, den unabhängig erhobenen Daten mehr Gewicht zu verleihen.

Das alles bedeutet nicht, dass KI-Übersichten ausschließlich schädlich für den Referral-Traffic sind oder dass Googles Behauptungen falsch sind. Das Suchvolumen scheint tatsächlich zu steigen, und es ist plausibel, dass Nutzer, die auf eine KI-Übersicht klicken, bereits weiter in ihrer Kaufentscheidung fortgeschritten sind und daher mit höherer Wahrscheinlichkeit konvertieren. Googles Darstellung von „qualitativ hochwertigen Klicks“ und BrightEdges Ansatz, Nutzer weiter unten im Marketing-Funnel zu positionieren, deuten in dieselbe Richtung. Allerdings scheint die Anzahl der Klicks auf Drittanbieterseiten messbar gesunken zu sein, selbst wenn die verbleibenden Klicks eine höhere Konversionsrate aufweisen. Beides kann gleichzeitig zutreffen, und ein Bericht, der sich ausschließlich auf Googles Darstellung stützt, unterschätzt das Ausmaß der Veränderungen, die Unternehmen in ihre Planung einbeziehen müssen.

Was bedeutet das für ein Berichtsmodell?

Die praktische Konsequenz besteht nicht darin, SEO-Reporting aufzugeben und durch KI-gestütztes Suchreporting zu ersetzen. Vielmehr geht es darum, das Messmodell so zu erweitern, dass beide nebeneinander existieren können, ohne dass eines seine Bedeutung überbetont.

• Die Berichterstattung über den letzten Klick und unterstützte Conversions sollte weiterhin die Grundlage bilden. Sie ist nach wie vor die einzige Ebene mit verlässlicher, nachvollziehbarer Zuordnung und sollte nicht verworfen werden, nur weil sie unvollständig ist.
• Verfolgen Sie die Sichtbarkeit von KI-Antworten als separate, klar gekennzeichnete Ebene – Markenerwähnungen, Zitationen und Wettbewerbsvergleiche innerhalb der KI-Antworten – anhand einer konsistenten, transparenten Stichprobe von Abfragen, die regelmäßig durchgeführt wird. Berichten Sie dies als Stichprobenindikator, nicht als Traffic-Metrik, und geben Sie Stichprobengröße und Methodik zusammen mit den Zahlen an.
• Achten Sie auf indirekte Einflusssignale, anstatt direkte Zuordnungen zu behaupten. Ein Anstieg des Suchvolumens für Marken, des direkten Traffics oder der Demo-Anfragen, der nicht mit Änderungen in bezahlten oder organischen Kampagnen korreliert, ist ein sinnvolles Signal für weitere Untersuchungen – einschließlich der Prüfung, ob die KI-Sichtbarkeit für relevante Suchanfragen etwa zur gleichen Zeit zugenommen hat. Es handelt sich um eine Korrelation, die es wert ist, gemeldet zu werden, nicht um einen Kausalzusammenhang.
• Behandeln Sie die von Plattformen veröffentlichten Angaben zu ihren eigenen Auswirkungen als einen Faktor, nicht als endgültige Schlussfolgerung. Wenn sich die Aussage einer Plattform zum Klickverhalten, zur Stabilität des Datenverkehrs oder zur Nutzerzufriedenheit nicht unabhängig mit den für Website-Betreiber verfügbaren Tools überprüfen lässt, gewichten Sie sie entsprechend und zitieren Sie die unabhängige Studie dazu, selbst wenn sich die beiden Aussagen widersprechen.
• Machen Sie deutlich, was illustrativ und was belegt ist. Fallbeispiele zur Erläuterung eines Mechanismus sollten klar als hypothetisch oder anonymisiert gekennzeichnet werden. Aussagen, die auf einer bestimmten Studie oder Unternehmensmitteilung beruhen, sollten mit Quellenangabe und Datum versehen werden, da es sich um ein sich schnell entwickelndes Gebiet handelt und eine Aussage, die vor sechs Monaten noch zutreffend war, bereits überholt sein kann.

Was sollte man bei der KI-Suche messen?

Das leistungsstärkste KI-Suchberichtssystem kombiniert Sichtbarkeitsmetriken, Traffic-Metriken, Engagement-Metriken, Konversionsmetriken und Geschäftsmetriken.

Ein Kunde benötigt nicht unbedingt jeden Monat alle Kennzahlen, aber Ihr internes Messsystem sollte in der Lage sein, diese zu erfassen.

KI-Sichtbarkeitsmetriken

Diese Antworten beantworten die Frage:

„Werden KI-Systeme diese Marke sichtbar machen?“

Track:

• Markenerwähnungsrate
• Zitationsrate
• Empfehlungsrate
• Einschlussrate
• Anteil der KI-Sichtbarkeit
• Anteil der zitierten Quellen
• Schnelle Berichterstattung
• Einbeziehung von Wettbewerbern
• Markenpositionierung im Bereich KI-Empfehlungen
• Häufigkeit der Quellen-/Seitenzitierung
• Sichtbarkeit nach Thema
• Sichtbarkeit nach Suchintention

Eine einfache KI-Sichtbarkeitsrate kann wie folgt berechnet werden:

KI-Sichtbarkeitsrate = Anzahl der Aufforderungen, in denen die Marke erscheint ÷ Gesamtzahl der erfassten Aufforderungen × 100

Wenn beispielsweise ein Unternehmen in 42 von 100 erfassten Eingabeaufforderungen auftaucht:

42 ÷ 100 × 100 = 42% KI-Sichtbarkeitsrate

Dies ist nicht dasselbe wie Marktanteil oder Traffic-Anteil. Es ist lediglich ein Maß für die Sichtbarkeit innerhalb Ihres definierten Prompt-Sets.

Zitationsmetriken

Die Messung von Zitationen geht über einfache Markenerwähnungen hinaus.

Track:

• Anzahl der Zitate
• Zitationsrate
• Eindeutige zitierte URLs
• Zitathäufigkeit pro Seite
• Zitationshäufigkeit nach Themengebiet
• Zitationshäufigkeit nach Plattform
• Anteil der Wettbewerber-Zitate
• Beständigkeit der Zitate im Laufe der Zeit

Wenn beispielsweise der Firmenname 60 Mal erscheint, die Website des Unternehmens aber nur 12 Mal erwähnt wird, dann müssen Sie den Unterschied zwischen Markenbekanntheit und Quellenautorität verstehen.

Dieser Unterschied könnte Sie zu einer sehr nützlichen Optimierungstechnik führen.

Kennzahlen zum Referral-Traffic

Diese Antworten:

„Kommen die Leute tatsächlich über KI-Plattformen auf die Website?“

Track:

• Nutzer
• Fachsitzungen
• Engagierte Sitzungen
• Engagement-Rate
• Landing Pages
• Neue Nutzer
• Wiederkehrende Benutzer
• Seiten pro Sitzung
• Durchschnittliche Verlobungszeit
• Conversions
• Die Conversion-Rate
• Einnahmen
• Unterstützte Conversions

Google Analytics hat 2026 einen eigenen Kanal für KI-Assistenten eingeführt, der es Marketingfachleuten ermöglicht, den Traffic von anerkannten KI-Assistenten zu identifizieren und mit dem Traffic traditioneller Kanäle zu vergleichen.

Kennzahlen für Geschäftsergebnisse

Dies sind die Kennzahlen, die Kunden letztendlich interessieren:

• umwandeln
• Qualifizierte Leads
• Demo-Anfragen
• Käufe
• Prozess beginnt
• Verkaufschancen
• Pipeline-Wert
• Abgeschlossene gewonnene Einnahmen
• Kundenakquisitionskosten
• Umsatz pro Besucher
• Customer Lifetime Value
• Return on Investment

Die Berichtshierarchie sollte sich daher wie folgt ändern:

Sichtbarkeit → Traffic → Engagement → Conversion → Umsatz

anstatt bei Folgendem stehen zu bleiben:

Sichtbarkeit → Verkehr

Das KI-Suchsichtbarkeitsmessmodell

Eine hilfreiche Methode, Kunden den ROI der KI-Suche zu erklären, besteht darin, die Kontaktpunkte eines Nutzers abzubilden und dabei klarzustellen, dass die meisten Nutzer nicht alle oder nicht in der vorgegebenen Reihenfolge durchlaufen. Dies entspricht keinem klassischen Trichter, da dieser davon ausgeht, dass in jedem Schritt eine Teilmenge der Nutzer aus der vorherigen Phase weiterkommt. Der Prozess der KI-Suche folgt dieser Regel jedoch nicht – ein Nutzer kann direkt von der ersten Interaktion bis zur Conversion gelangen, ohne Zwischenschritte.

Das untenstehende Modell ist eine Übersicht möglicher Berührungspunkte, keine Produktionskette.

Kontaktpunkt 1: Präsenz

Die Marke erscheint in einer KI-generierten Antwort auf eine entsprechende Anfrage.

Dies ist das früheste erkennbare Signal und gleichzeitig das am wenigsten präzise messbare. Es wird üblicherweise erfasst, indem regelmäßig eine festgelegte, offengelegte Reihe von Beispielaufforderungen über eine Plattform ausgeführt wird. Es handelt sich dabei nicht um die Anzahl tatsächlicher Nutzerkontakte, da es derzeit kein Tool gibt, das Marken Einblick in das tatsächliche KI-Konversationsvolumen in großem Umfang ermöglicht. Melden Sie dies als Stichprobenindikator mit Angabe der Aufforderungssätze und der Stichprobengröße, nicht als Traffic-Zahl.

Berührungspunkt 2: Zitat

Das KI-System greift auf die Inhalte des Unternehmens als Quelle zurück, gegebenenfalls auch ohne Link.

Zitate sollten getrennt von Empfehlungen erfasst werden, da sie nicht per se positiv sind. Eine Marke kann auch in einem negativen oder neutralen Kontext erwähnt werden – beispielsweise: „Unternehmen X hatte laut [Quelle] im Jahr 2024 einen Datenverstoß.“ Das Zählen von Zitaten ohne Berücksichtigung von Stimmung und Kontext birgt das Risiko, eine steigende Zahl zu melden, die in Wirklichkeit eine schlechte Nachricht ist.

Kontaktpunkt 3: Empfehlung

Das KI-System positioniert das Unternehmen als eine empfohlene Option, vergleichbar mit einer Aufnahme in die engere Auswahl.

Dies ist ein stärkeres und eindeutigeres Signal als ein Zitat, da es impliziert, dass das Modell die Marke als mögliche Antwort auf das Bedürfnis des Nutzers betrachtet und nicht nur als Faktenquelle. Es ist auch schwieriger zuverlässig zu messen, da die Frage „War dies eine Empfehlung?“ eher eine subjektive Interpretation des generierten Textes darstellt als die Frage „War dies ein Zitat?“, die zumindest teilweise durch einen sichtbaren Link bestätigt werden kann.

Kontaktpunkt 4: Weiterempfehlung

Der Nutzer klickt sich von der KI-Antwort zur Webseite durch.

Hier erweisen sich Standard-Analysetools als besonders nützlich: Verweisquelle, UTM-Parameter (sofern von den Plattformen unterstützt) und Sitzungsdaten sind hier ähnlich wie bei der herkömmlichen Suche relevant. Laut einer Studie von Pew Research mit 69,000 Suchanfragen erreichen nur wenige Nutzer der KI-Übersicht diesen Kontaktpunkt: Lediglich 8 % klickten darauf, im Vergleich zu 15 % bei herkömmlichen Suchergebnissen. Diese Diskrepanz sollte Ihre Erwartungen hinsichtlich der tatsächlichen Reichweite und Zitationsaktivität beeinflussen.

Kontaktpunkt 5: Engagement

Der Nutzer liest die Informationen, sieht sich Produkt-/Preisseiten an, lädt eine Datei herunter oder interagiert auf andere Weise mit der Website.

Sobald eine Sitzung existiert, ist sie mit Standardanalysen vollständig messbar. Die offene Frage ist hier nicht die Messung selbst, sondern die Zuordnung zu den Touchpoints 1–3, wenn die Sitzung nicht durch einen direkten KI-basierten Empfehlungsklick ausgelöst wurde.

Berührungspunkt 6: Konversion

Der Besucher sendet ein Formular ab, bucht einen Termin, startet eine Testphase oder führt eine andere definierte Aktion aus.

Direkt messbar, wenn die Sitzung auf eine KI-basierte Empfehlung zurückgeführt werden kann. Nicht direkt messbar – nur erschließbar –, wenn die Konversion später über einen anderen Kanal erfolgt und keine Verbindung auf Sitzungsebene zum vorherigen KI-Kontakt besteht.

Kontaktpunkt 7: Umsatz

Die Umwandlung führt zu Pipeline- oder abgeschlossenen Umsätzen.

Gleiche Einschränkung wie bei Touchpoint 6: vollständig zurechenbar, wenn die Sitzungskette ununterbrochen ist, nur erschließbar, wenn dies nicht der Fall ist.

Zwei Wege, die explizit dargestellt und nicht zu einer Linie verblendet werden.

• Reise über den gesamten Pfad: Ein Nutzer klickt auf ein Perplexity-Angebot, gelangt auf die Website, sieht sich die Preise an und kauft noch in derselben Sitzung. Jeder Kontaktpunkt ab der Weiterleitung ist direkt messbar.
• Reisepfad überspringen: Ein Nutzer bemerkt, dass die Marke von ChatGPT erwähnt wird, klickt aber nichts an und konvertiert erst zwei Tage später durch eine direkte Markensuche.
• Kontaktpunkt 1 (und möglicherweise 3) fand statt, Kontaktpunkt 4 und 5 hingegen nicht. Kontaktpunkt 6 ist erkennbar, die Verbindung zwischen Kontaktpunkt 1 und 6 wird jedoch logisch und nicht empirisch hergeleitet.

Wie misst man den Traffic und die Conversions von ChatGPT?

ChatGPT ist für die Messung von KI-Suchen besonders wichtig geworden, da seine Websuchfunktion den Nutzern zitierte Quellen und Links zu Webseiten bereitstellen kann.

Laut OpenAI umfasst die Funktion von ChatGPT Search die Websuche, das Zitieren und das Verlinken relevanter Websites. Verlage, die dem OAI-SearchBot Zugriff gewähren, können den Referral-Traffic mithilfe von Analysetools auswerten, da ChatGPT der Referral-URL stets utm_source=chatgpt.com hinzufügt.

Das bietet Marketingfachleuten eine nützliche, direkte Messmöglichkeit.

Beginnen Sie mit Referral-Traffic.

In GA4 sollte der Datenverkehr im Zusammenhang mit ChatGPT und KI-Assistenten untersucht werden, anstatt anzunehmen, dass der gesamte KI-Datenverkehr unter einem allgemeinen Verweisbegriff kategorisiert wird.

Ansehen:

• Quelle
• Medium
• Kampagnen (Campaign)
• Landing page
• Sitzungsquelle
• Konvertierungsereignisse
• Einnahmen

Der AI Assistant-Kanal von Google Analytics ist besonders nützlich, da der erkannte Traffic des AI Assistant nun separat gruppiert werden kann, anstatt mit dem normalen Referral-Traffic vermischt zu werden.

Hören Sie nicht bei den Sitzungen auf

Ein Bericht besagt:

„ChatGPT generierte 1,250 Sitzungen.“

beweist keinen Marketingwert.

Ein besserer Bericht besagt:

„ChatGPT generierte 1,250 Sitzungen, 94 Demo-Anfragen, 31 qualifizierte Verkaufschancen und eine Pipeline im Wert von 82,000 US-Dollar.“

Der zweite Bericht bietet dem Kunden etwas, worauf er reagieren kann.

Track landing pages.

Dies ist eine der nützlichsten Diagnosekennzahlen.

Wenn KI-Plattformen Besucher wiederholt zu folgenden Seiten weiterleiten:

• Vergleichsseiten,
• Preisseiten,
• Produktseiten,
• Implementierungsleitfäden,
• Kaufberatungen,
• Originalforschung,

Sie können herausfinden, welche Art von Inhalten bei KI-gestützter Suche gut abschneidet.

Diese Informationen sollten die Content-Strategie beeinflussen.

Wie lässt sich der durch Verwirrung bedingte Datenverkehr messen?

Die Perplexität sollte ähnlich wie ChatGPT auf Referral-Ebene gemessen werden, sollte aber auch unabhängig bewertet werden, da KI-Plattformen nicht unbedingt die gleichen Quellen für die gleiche Frage liefern.

Eine Marke, die im ChatGPT gut abschneidet, kann im Perplexity schlecht abschneiden.

Das muss nicht unbedingt ein Tracking-Problem sein. Es kann auf Unterschiede bei der Quellenauswahl, der Interpretation von Suchanfragen, der Aktualität oder der Inhaltsrelevanz hinweisen.

Erstellen Sie ein Perplexity-Quellprofil

Track:

• Überweisungssitzungen bei Verwirrung
• Landing Pages
• Verlobung
• Conversions
• Einnahmen
• Meistzitierte Seiten
• Themen, die zu Zitaten führen
• Präsenz der Wettbewerber
• Zitierhäufigkeit
• Ändert sich mit der Zeit

Ziel ist es nicht zu beweisen, dass Perplexity „besser“ als ChatGPT ist.

Ziel ist es, zu verstehen, ob unterschiedliche KI-Suchumgebungen die Marke unterschiedlichen Zielgruppen oder Absichten präsentieren.

Die wichtigste Erkenntnis ist nicht unbedingt, dass ChatGPT den meisten Traffic generiert hat.

Verwirrung könnte zwar weniger Besucher, dafür aber qualitativ hochwertigere Leads generieren.

Deshalb ist das Trafficvolumen allein ein schwacher KPI für die KI-Suche.

Wie lässt sich die Leistung von Google AI Overview messen?

Google AI Overviews erfordern einen anderen Messansatz, da die Interaktion innerhalb der Google-Suche stattfindet.

Die wichtigste Neuerung für Marketingfachleute ist, dass die Google Search Console jetzt einen generativen KI-Leistungsbericht anbietet, der derzeit für eine Teilmenge der Website-Betreiber eingeführt wird und Impressionsdaten von den generativen KI-Funktionen der Google-Suche einschließlich KI-Übersichten und KI-Modus liefert.

Das ist eine deutliche Verbesserung gegenüber der ausschließlichen Verwendung indirekter Messmethoden.

Measure AI Übersicht Impressionen

Der Bericht von Google kann Folgendes zeigen:

• KI-generierte Suchimpressionen
• Seiten, die Impressionen erhalten
• Land auswählen
• Gerät
• Zeitliche Trends

Der Bericht behandelt aktuell die Bereiche KI-Übersicht und KI-Modus. Google weist darauf hin, dass die Liste der unterstützten Funktionen im Laufe der Zeit erweitert werden kann.

Verstehen, was ein KI-Übersichts-Eindruck bedeutet

Eine KI-Übersichtsanzeige bedeutet nicht, dass jemand auf Ihre Website geklickt hat.

Das bedeutet, dass ein Link zu Ihrer Website innerhalb einer generativen KI-Funktion angezeigt wurde.

Google erklärt, dass Links innerhalb von KI-Übersichten angeklickt werden können und dass den Links innerhalb einer KI-Übersicht für die Positionsberichterstattung der Search Console die gleiche Position zugewiesen wird.

Melden Sie daher Folgendes nicht:

„Wir haben 100,000 Impressionen von AI Overview erhalten, was bedeutet, dass 100,0

Das ist falsch.

Die korrekte Interpretation lautet:

„Unsere Seiten wurden 100,000 Mal als Links in den generativen KI-Suchergebnissen von Google angezeigt.“

Search Console und GA4 kombinieren

Das aussagekräftigste Reporting-System nutzt beide Plattformen.

Die Search Console teilt Ihnen Folgendes mit:

• KI-Sichtbarkeit
• Eindrücke
• Seiten
• Abfragen
• Klicks

GA4 teilt Ihnen mit:

• Sessions
• Engagement
• Konvertierungen
• Einnahmen

Zusammen ergeben sie ein wesentlich klareres Bild als jede Plattform für sich.

Der Unterschied zwischen Sichtbarkeit, Traffic und ROI

Dieser Abschnitt bedarf der sorgfältigsten Erläuterung, denn hier werden die Ergebnisse der KI-gestützten Suche am häufigsten irreführend, in der Regel nicht durch Unehrlichkeit, sondern dadurch, dass mehrere unabhängige Variablen zu einer einzigen, übersichtlich aussehenden Zahl zusammengefasst werden.

Ein Unternehmen kann gleichzeitig Folgendes haben:

• Hohe Sichtbarkeit + geringes Verkehrsaufkommen
• Geringe Sichtbarkeit + hohe Konversionsrate
• Hohe Sichtbarkeit + hohes Besucheraufkommen + geringer Umsatz
• Mäßige Sichtbarkeit + geringes Verkehrsaufkommen + sehr hoher Kundennutzen

Es handelt sich hierbei nicht um unterschiedliche Ausprägungen desselben Ergebnisses. Vielmehr sind es unterschiedliche Kombinationen unabhängiger Variablen, und jede Kombination weist auf ein anderes Problem oder eine andere Chance hin – sei es ein Problem der Sichtbarkeit, der Zielgruppenansprache, der Preisgestaltung/des Angebots oder des Segmentwerts. Die Betrachtung von „Sichtbarkeit“ als einzelne Kennzahl, die mit dem Umsatz korrelieren sollte, verschleiert, welche dieser Faktoren tatsächlich eine Rolle spielen.

Sichtbarkeit ist nicht gleichbedeutend mit Umsatz.

Um den Mechanismus zu veranschaulichen, dient folgendes Beispiel als Beispiel und nicht als dokumentierter Fall: Angenommen, Marke A erscheint in 80 % der erfassten KI-gestützten Abfragen in ihrem Stichprobenset. Das klingt vielversprechend, doch wenn die meisten dieser Abfragen informativer Natur sind („Was ist Buchhaltungssoftware?“, „Wie funktioniert Cloud-Buchhaltung?“) und keiner der dahinterstehenden Nutzer kurz vor einer Kaufentscheidung steht, ist der geschäftliche Nutzen dieser Sichtbarkeit möglicherweise begrenzt.

Stellen Sie sich nun vor, Marke B erscheint nur in 35 % der erfassten Eingabeaufforderungen, aber diese Eingabeaufforderungen umfassen Folgendes:

• „Beste Buchhaltungssoftware für Kleinunternehmen“
• „Preisgestaltung für Buchhaltungssoftware“
• „Alternativen zu [Konkurrent]“
• „Beste Buchhaltungssoftware für Bauunternehmen“

Marke B weist eine geringere Sichtbarkeit auf, wird aber in Suchanfragen deutlich häufiger angezeigt, bevor eine Kaufentscheidung getroffen wird. Ein Bericht, der lediglich „80 % vs. 35 %“ angibt, würde Marke A bei der am wenigsten relevanten Kennzahl vor Marke B und bei der wichtigsten Kennzahl hinter ihr einordnen.

Daraus ergibt sich das Funktionsprinzip: Die Sichtbarkeit von KI sollte anhand der Suchintention gewichtet und nicht als einheitlicher Wert behandelt werden. Dieses Prinzip erfordert jedoch eine Methodik, die in sich schlüssig ist und ihre eigenen Grenzen ehrlich darlegt – was die folgende Version versucht, explizit zu machen.

Die Erstellung eines gewichteten Sichtbarkeitswerts auf Basis der Absicht ist eine offengelegte Methodik und keine objektive Messung.

Zuerst müssen die Kategorien festgelegt werden. Eine gängige vierteilige Intent-Taxonomie, die von der traditionellen SEO-Intent-Klassifizierung abgeleitet ist, sieht folgendermaßen aus:

Absicht	Beschreibung
Informational	Sich über ein Thema informieren, kein Kaufsignal („Was ist Buchhaltungssoftware?“)
Navigation	Suche nach einer bestimmten bekannten Marke oder einem bestimmten Produkt („Firmen-X-Login“)
Kaufmännische Untersuchung	Optionen vergleichen, bevor man sich entscheidet („beste Buchhaltungssoftware für kleine Unternehmen“)
Transactional	Bereit zum Handeln („Preise für Buchhaltungssoftware“, „kaufen“, „anmelden“)

Die Navigationsintention muss in dieser Tabelle berücksichtigt werden, auch wenn sie für alle anderen als die direkt gesuchte Marke oft von geringem kommerziellem Wert ist. Dass ein Konkurrent in den Navigationsergebnissen für Ihren Markennamen auftaucht, ist ein anderes Signal (defensive Sichtbarkeit) als das Auftauchen in den Transaktionsergebnissen für einen Kategoriebegriff.

Zweitens: Gewichtungen zuweisen, die konkreten Gewichtungen aber als offengelegte Ermessensentscheidung und nicht als Tatsache behandeln. Ein Ausgangspunkt:

Absicht	Vorgeschlagenes Gewicht
Informational	1
Navigation	1
Kaufmännische Untersuchung	2
Transactional	4

Diese Gewichtungen werden nicht aus Daten innerhalb dieses Rahmens abgeleitet, sondern spiegeln die Annahme wider, dass die Transaktionsabsicht etwa doppelt so wertvoll ist wie die kommerzielle Untersuchung und viermal so wertvoll wie der Informationsgehalt. 

Ein anderes Unternehmen mit einem längeren oder kürzeren Verkaufszyklus würde möglicherweise eine andere Skala verwenden; ein Unternehmen mit einem langen Enterprise-Verkaufszyklus könnte der kommerziellen Untersuchung im Verhältnis zur Transaktionsuntersuchung ein höheres Gewicht beimessen, da es für Käufe im sechsstelligen Bereich kaum KI-Abfragen mit Transaktionsabsicht gibt.

Die Gewichtungen sollten in jedem Bericht, der diese Kennzahl verwendet, explizit angegeben werden und über die Zeiträume hinweg konstant bleiben, damit die Kennzahl im Laufe der Zeit zumindest mit sich selbst vergleichbar ist, auch wenn sie bei Verwendung unterschiedlicher Gewichtungen nicht zwischen verschiedenen Behörden oder Konten vergleichbar ist.

Drittens, berechnen Sie:

Intent-gewichtete KI-Sichtbarkeit = Σ (Sichtbarkeit% × Intent-Gewichtung) ÷ Maximal mögliche gewichtete Sichtbarkeit

Viertens – und dieser Schritt wird üblicherweise übersprungen – sollte offengelegt werden, wie hoch die tatsächlichen Eingabesichtbarkeitszahlen sind. 

Der Wert für „Sichtbarkeit%“ in dieser Formel ist selbst eine Stichprobenschätzung aus einer festen, begrenzten Anzahl erfasster Aufforderungen und keine vollständige Erfassung der tatsächlichen Nutzerinteraktionen (siehe den zuvor in diesem Berichtsmodell beschriebenen Präsenz-Touchpoint). Die Multiplikation einer Schätzung mit einer Gewichtung und die anschließende Summierung über alle Kategorien hinweg macht das Ergebnis nicht präziser – sie vereint zwei Unsicherheitsebenen zu einer scheinbar eindeutigen Prozentzahl. Ein Bericht, der „Intent-gewichtete KI-Sichtbarkeit: 62 %“ angibt, ohne die zugrunde liegende Stichprobengröße, die Liste der Aufforderungen und das verwendete Gewichtungsschema zu nennen, präsentiert eine Zahl mit scheinbarer Genauigkeit, als sie tatsächlich ist.

Wie meldet man so etwas verantwortungsvoll?

• Geben Sie die verwendete Gewichtungsskala jedes Mal an, wenn die Punktzahl erscheint, nicht nur in einem Methodenanhang.
• Geben Sie die Anzahl und die Liste der Eingabeaufforderungen an, aus denen die Sichtbarkeitsprozentsätze ermittelt wurden.
• Betrachten Sie die Veränderung der Punktzahl von Periode zu Periode (unter Verwendung der gleichen Gewichtung und des gleichen Prompt-Sets) als das nützliche Signal – nicht die absolute Zahl isoliert, die nur im Verhältnis zu Ihrer selbst gewählten Skala aussagekräftig ist.
• Kombinieren Sie die Punktzahl mit der zugrunde liegenden Aufschlüsselung nach Intentionenkategorie, damit ein Stakeholder erkennen kann, ob eine steigende Punktzahl auf eine höhere Transaktionstransparenz (wirklich gut) oder auf eine höhere Informationstransparenz (weniger aussagekräftig) zurückzuführen ist, anstatt sich auf die einzelne zusammengefasste Zahl zu verlassen.

Wie erstellt man ein ROI-Dashboard für KI-Suche?

Ein gutes KI-Such-Dashboard sollte nicht einem herkömmlichen SEO-Dashboard ähneln, dem lediglich „ChatGPT“ als zusätzliche Traffic-Quelle hinzugefügt wurde. Es sollte fünf zentrale Geschäftsfragen beantworten und auf jeder Ebene visuell und textlich klarstellen, welche Zahlen direkt gemessen, welche auf Stichproben beruhen und welche abgeleitet wurden. Die Zusammenfassung dieser drei Kategorien in einer einzigen Tabelle ist der häufigste Fehler, mit dem solche Dashboards Führungskräfte in die Irre führen.

Frage 1: Sind wir sichtbar?

• KI-Sichtbarkeitsrate – Stichprobenschätzung
• Zitationsrate – geschätzte Stichprobe, teilweise beobachtbar auf Plattformen, die Zitationen anzeigen
• Empfehlungsrate – Stichprobenschätzung, niedrigstes Konfidenzintervall (subjektive Interpretation des generierten Textes)
• Anteil der KI-Sichtbarkeit (im Vergleich zu Wettbewerbern) – Stichprobenschätzung
• Sichtbarkeit der Wettbewerber – Stichprobenschätzung

Alle Kennzahlen in diesem Abschnitt basieren auf der regelmäßigen Ausführung eines festgelegten, offengelegten Satzes von Aufforderungen durch KI-Plattformen. Sie erfassen nicht die tatsächliche Nutzerinteraktion – kein derzeitiges Tool bietet diese Möglichkeit. Bitte geben Sie die Stichprobengröße und die Liste der Aufforderungen an und halten Sie die Methodik über die Zeiträume hinweg konstant, da Änderungen sonst nicht mehr interpretierbar sind.

Frage 2: Wo sind wir sichtbar?

Plattformen sind nicht gleichwertig messbar, und das Dashboard sollte dies auch so darstellen, anstatt sie als parallele Zeilen aufzulisten:

• Plattform Messbarkeit
• Verwirrung Mittelmäßig – Zitate und Links sind oft sichtbar und überprüfbar
• ChatGPT Mäßig – Zitate sind teilweise sichtbar; der Crawl-Zugriff des OAI-SearchBots beeinflusst die Einbeziehung, aber das tatsächliche Konversationsvolumen ist von außen nicht beobachtbar.
• Google AI-Übersichten Niedrig – Die Search Console trennt die Klicks oder Impressionen der KI-Übersicht nicht von den standardmäßigen organischen Daten.
• Google AI-Modus Niedrig – dieselbe Einschränkung, verstärkt durch nachfolgende Gesprächsabläufe, die Nutzer länger bei Google halten.
• Gemini Sehr gering – minimale externe Transparenz hinsichtlich der tatsächlichen Gesprächsinhalte der Verbraucher.
• Claude Sehr niedrig – gleiche Einschränkung

Berichten Sie die Transparenz plattformweise, aber lassen Sie einen Kunden nicht annehmen, dass die Zahlen von Gemini die gleiche Aussagekraft haben wie die von Perplexity.

Frage 3: Welche Inhalte werden angezeigt?

• Die meistzitierten Seiten – direkt einsehbar dort, wo Plattformen Zitatlinks bereitstellen.
• Top-Landingpages – direkt messbar über Analytics, sobald eine Sitzung existiert
• Themen und Suchanfragekategorien – Stichprobenschätzung, basierend auf demselben Fragenset wie die Sichtbarkeitsabfrage.
• Inhaltsformate – Stichprobenschätzung

Frage 4: Beteiligen sich die Leute?

• Sitzungen, Engagement-Rate, durchschnittliche Engagement-Zeit, Seiten pro Sitzung, wichtige Ereignisse – all dies ist über Standardanalysen direkt messbar, jedoch nur für den Teil der Customer Journey, der einen Klick beinhaltet. 
• An diesem Punkt im Modell (ab der Referral-Ebene) steigt das Vertrauen sprunghaft gegenüber der darüber liegenden Präsenz-/Zitationsebene an – dieser Sprung sollte in der Struktur des Dashboards sichtbar sein und nicht kaschiert werden.

Frage 5: Erzeugt es einen geschäftlichen Mehrwert?

• Leads, qualifizierte Leads, Opportunities – direkt messbar, wenn die Sitzung auf eine KI-basierte Empfehlung zurückgeführt werden kann; abgeleitet, wenn ein Lead ohne eine dazwischenliegende, nachvollziehbare KI-basierte Sitzung konvertiert.
• Umsatz, Pipeline – gleiche Aufteilung wie oben.
• Unterstützte Konversionen – im Designprozess abgeleitet: Diese Kennzahl dient speziell dazu, Einfluss ohne direkte Zuordnung zu erfassen und sollte als Modellergebnis und nicht als gemessene Tatsache gekennzeichnet werden.
• ROI – kann nur anhand der direkt gemessenen Teilmenge mit Sicherheit berechnet werden; jede ROI-Zahl, die abgeleitete Pipeline oder Umsätze beinhaltet, sollte dies explizit angeben.

Ein praktisches Management-Dashboard

Die folgende Tabelle unterscheidet zwischen direkt gemessenen und stichprobenartigen bzw. abgeleiteten Kennzahlen, anstatt alle sieben mit identischer Genauigkeit darzustellen.

Direkt gemessen (Standardanalysen, rückverfolgbar auf eine Empfehlung einer KI-Plattform)

KPI	Derzeitige Periode	Vorheriger Zeitraum	Ändern
KI-Empfehlungssitzungen	4,210	2,980	+ 41%
KI-Leads (über Empfehlungen ermittelt)	186	109	+ 71%
Qualifizierte Leads (über Empfehlungen ermittelt)	58	31	+ 87%

Stichprobenschätzungen (fester Satz von [N] Eingabeaufforderungen, Durchführung [monatlich/vierteljährlich], Methodik konstant – N und die Liste der Eingabeaufforderungen im Anhang angeben)

KPI	Derzeitige Periode	Vorheriger Zeitraum	Ändern
KI-Sichtbarkeitsrate	48%	37%	+11 Punkte
KI-Zitate (im Beispiel)	384	241	+ 59%

Abgeleitet / modelliert (nicht direkt nachvollziehbar – abgeleitet aus der Korrelation zwischen Sichtbarkeitstrends und nicht zugeordneter Konversionsaktivität, z. B. Steigerungen der Markensuche oder des direkten Traffics, die nicht durch andere Kampagnenaktivitäten erklärt werden können)

KPI	Derzeitige Periode	Vorheriger Zeitraum	Ändern	Modellbasis
KI-beeinflusste Pipeline	$ 312K	$ 178K	+ 75%	Korrelierter Anstieg der Markensuche und der direkten Konversionen in Zeiten höherer erfasster Sichtbarkeit; nicht sitzungsbasiert
KI-zugeschriebene Umsätze – Umbenennung in „KI-korrelierte Umsätze“ –	$ 96K	$ 51K	+ 88%

Die Umbenennung in der letzten Zeile ist wichtig: „Zugeschrieben“ impliziert einen nachweisbaren Kausalzusammenhang, den diese Zahl nicht aufweist. „Korreliert“ beschreibt den tatsächlichen Sachverhalt – die Zahl veränderte sich mit der Sichtbarkeit, nicht umgekehrt.

Schriftliche Interpretation – erforderlich, nicht optional

Das Dashboard benötigt in jeder Berichtsperiode einen kurzen schriftlichen Abschnitt, der drei Dinge erfüllt:

• Bevor ein Kunde die prozentuale Veränderung liest, muss in einfacher Sprache angegeben werden, zu welcher der drei Stufen die jeweilige Zahl in der Überschrift gehört.
• Kennzeichnet jeden Zeitraum, in dem der Trend nicht einheitlich positiv ist, und erklärt den Grund dafür – wenn sich jede einzelne Kennzahl in jedem Zeitraum ohne Ausnahmen gleichzeitig nach oben bewegt, ist dies an sich schon fragwürdig und sollte nicht als eindeutige Erfolgsgeschichte dargestellt werden.
• Es wird explizit dargelegt, welche Bedingungen erfüllt sein müssten, damit die abgeleiteten Tier-Zahlen falsch wären – beispielsweise eine bezahlte Markenkampagne oder ein saisonaler Nachfrageanstieg, der unabhängig von der KI-Sichtbarkeit einen Anstieg der Markensuche erklären könnte. Die Benennung der alternativen Erklärung und die Begründung, warum diese ausgeschlossen wurde oder nicht, unterscheidet eine glaubwürdige Interpretation von einer Erzählung, die lediglich die Honorarzahlung rechtfertigen soll.

Wie lassen sich Leads und Umsätze der KI-Suche zuordnen?

Die Zuordnung von Suchergebnissen ist der schwierigste Aspekt bei der KI-gestützten Suchanalyse, und es ist wichtig, den Grund dafür genau zu erläutern: Die Customer Journey umfasst typischerweise Touchpoints, die sich in zwei grundlegend verschiedene Kategorien einteilen lassen – solche, die von Analytics erfasst werden können, und solche, die nicht erfasst werden können. Die meisten Berichte zur Zuordnung von Suchergebnissen im Rahmen der KI scheitern, wenn diese beiden Kategorien vermischt oder ein und dasselbe Modell auf beide angewendet wird.

Betrachten wir eine realistische, sitzungsbezogene Version einer Customer Journey:

1. Siehe das in einer ChatGPT-Antwort erwähnte Unternehmen. (keine Sitzung – nicht nachverfolgbar)
2. Zwei Tage später sucht er bei Google nach dem Firmennamen und landet auf der Website. (Sitzung 1 – organisch, nachverfolgbar)
3. Drei Tage später kehrt er über direkten Traffic zurück und durchstöbert die Produktseiten. (Sitzung 2 — direkt, nachverfolgbar)
4. Reicht ein Demo-Anfrageformular ein. (Konvertierungsereignis – nachverfolgbar)
5. Spricht mit dem Vertrieb und wird Kunde. (verfolgbar, offline)

Es ist nicht gerechtfertigt, ChatGPT 100 % des generierten Umsatzes zuzuordnen – es gibt keine Daten, die belegen, dass ChatGPT die spätere Suche verursacht hat, sondern nur, dass sie ihr vorausging. ChatGPT hingegen gar keinen Umsatz zuzuordnen, ignoriert einen realen, beobachteten Kontaktpunkt, dessen Einfluss der Kunde später möglicherweise bestätigen könnte. Die Lösung besteht nicht darin, ein Modell zu wählen, das einen Mittelweg darstellt, sondern darin zu erkennen, dass Schritt 1 außerhalb des Erfassungsbereichs jedes analysebasierten Modells liegt und daher einen völlig anderen Mechanismus erfordert.

Kategorie A: Modelle für den nachverfolgbaren Pfad (Schritte 2 und folgende)

Alle vier Modelle basieren auf denselben Daten – Sitzungs- und Kanalinformationen, die von Analysetools erfasst werden – und unterscheiden sich lediglich in der Art der Gutschriftverteilung. Keines der Modelle kann Schritt 1 einsehen, unabhängig davon, welches verwendet wird.

• Last-Touch-Attribution: Die Anerkennung gebührt der letzten erfassten Quelle vor der Conversion – hier der direkten Sitzung in Schritt 3. Leicht verständlich und umsetzbar, aber alles Vorgelagerte wird systematisch unterbewertet, einschließlich der ChatGPT-Präsenz und der vorherigen organischen Suche.
• First-Touch-Attribution: Ein großes Lob gebührt dem ersten verfolgt Quelle – hier die organische Suche in Schritt 2, nicht die ChatGPT-Präsenz in Schritt 1, die überhaupt kein nachverfolgbares Ereignis generiert hat. Dies muss klar formuliert werden: In einem solchen Prozess schreibt die Zuordnung zum ersten Kontaktpunkt der organischen Suche fälschlicherweise einen Auffindbarkeitswert zu, den sie laut Prozessverlauf tatsächlich nicht erbracht hat. Die Zuordnung zum ersten Kontaktpunkt beantwortet die Frage „Was ist der früheste Kontaktpunkt, den wir erkennen können?“, nicht „Was war tatsächlich zuerst?“.
• Positionsbasierte Zuordnung: Die Gutschrift wird zwischen der ersten und letzten erfassten Berührung (Schritte 2 und 3) aufgeteilt, wobei alle dazwischen erfassten Berührungen einen geringeren Anteil erhalten. Sie bildet einen mehrtägigen Nutzungsverlauf besser ab als die Modelle mit nur einer Berührung, beschränkt sich aber weiterhin vollständig auf die erfassbare Hälfte.
• Datengetriebene Attribution: Bei ausreichendem Konversionsvolumen schätzt die Analyseplattform den Beitrag jedes erfassten Kanals statistisch anhand beobachteter Muster über viele Kundenpfade hinweg. Dies ist die strengste der vier Methoden – wobei „streng“ hier die strenge Auswertung der verfügbaren Daten meint, was Schritt 1 weiterhin vollständig ausschließt.

Berichten Sie mehrere dieser vier Modelle nebeneinander, anstatt sich für eines zu entscheiden, da jedes eine etwas andere Frage beantwortet und kein einzelnes Modell eindeutig „richtig“ ist. Machen Sie Ihren Kunden jedoch deutlich, dass alle vier zusammen nur die zweite Hälfte von Reiseabläufen wie dem oben beschriebenen erfassen.

Kategorie B: Erfassung des nicht messbaren Einflusses – selbstberichteter KI-Einfluss

Schritt 1 erfordert einen völlig anderen Mechanismus, da es sich nicht um ein Messproblem handelt, das die Analysetechnologie lösen kann, sondern um ein Datenerfassungsproblem. Die beiden Standardwerkzeuge sind ein Feld „Wie haben Sie zum ersten Mal von uns erfahren?“ im Konversionsformular und eine Folgefrage im Verkaufsgespräch.

Diese Daten sollten als eigene Kategorie – selbstberichteter KI-Einfluss – ausgewiesen und niemals mit der Zeile „Bestätigter KI-zugeschriebener Umsatz“ zusammengeführt werden. Diese Unterscheidung schützt die Glaubwürdigkeit des Berichts, muss aber mit den tatsächlichen Zuverlässigkeitsgrenzen selbstberichteter Daten einhergehen, die in der Marktforschung allgemein gut dokumentiert sind und hier unverändert gelten:

• Aktualitäts- und SalienzverzerrungKunden neigen dazu, den aktuellsten oder einprägsamsten Kontaktpunkt zu nennen, nicht unbedingt den ersten – ein Kunde könnte ChatGPT nennen, weil es neuartig und ihm präsent ist, selbst wenn eine frühere Google-Suche eigentlich zuerst stattfand.
• Soziale Erwünschtheit und narrative Verzerrung: Kunden melden manchmal den interessanter klingenden Kanal („Ich habe ChatGPT gefragt“) anstelle eines banalen („Ich habe bei Google gesucht“), unabhängig davon, was tatsächlich passiert ist.
• Niedrige und verzerrte AntwortratenDas Feld „Wie haben Sie von uns erfahren?“ wird häufig ausgelassen, und die Kunden, die antworten, sind tendenziell engagierter als der Durchschnittskunde, was den wahrgenommenen Einfluss der KI im Verhältnis zur gesamten Kundenbasis aufblähen kann.

Das bedeutet keineswegs, dass selbstberichtete Daten verworfen werden sollten – sie sind der einzige Mechanismus, der Schritt 1 überhaupt erfasst, und ein verlässliches Signal ist besser als gar keins. Es bedeutet, dass die Zahl unter Angabe der genannten Grenzen als Richtungsindikator für den Einfluss von KI auf Bevölkerungsebene und nicht als bestätigte Anzahl individueller, zurechenbarer Konversionen gemeldet werden sollte.

Wie kann man das darstellen, ohne es zu übertreiben?

• Berichtskategorie A: Die Modelle werden zusammen mit den Namen der Kunden aufgeführt, sodass diese sehen können, wie sich die Kreditwürdigkeit je nach Betrachtungsweise verändert – und nicht eine einzige zusammengefasste Zahl wird als absolute Wahrheit präsentiert.
• Bericht Kategorie B separat, inklusive Angabe der Antwortquote und der oben genannten Einschränkungen hinsichtlich der Zuverlässigkeit.
• Addieren Sie niemals einen Umsatzwert der Kategorie A und einen Prozentsatz der Kategorie B zu einem kombinierten „KI-zugeschriebenen Umsatz“ – sie messen unterschiedliche Dinge mit unterschiedlichen Konfidenzniveaus, und ihre Addition erzeugt ein falsches Gefühl von Präzision, das dieses Rahmenwerk Abschnitt für Abschnitt zu vermeiden sucht.
• Wenn die beiden Kategorien in die gleiche Richtung weisen – z. B. wenn der selbstberichtete Einfluss von KI im gleichen Zeitraum zunimmt wie die organischen Sitzungen im direkten Zusammenhang mit dem ersten Kundenkontakt –, dann berichten Sie darüber als bestätigendes Signal, nicht als Beweis, und geben Sie dies ausdrücklich an.

Checkliste für KI-Suchberichte

Bevor Sie einen KI-Suchbericht an einen Kunden senden, überprüfen Sie bitte Folgendes.

Sichtbarkeit

• Der Kern-Prompt-Satz ist dokumentiert.
• Die Markenbekanntheit wird konsequent gemessen.
• Die Sichtbarkeit der Wettbewerber ist inbegriffen.
• Kommerzielle Hinweise sind von informativen Hinweisen getrennt.
• Die Zitationsrate wird erfasst.
• Die Empfehlungsrate wird gegebenenfalls erfasst.

Traffic

• ChatGPT-Empfehlungen werden erfasst
• Überweisungen aufgrund von Verwirrung werden erfasst.
• Andere relevante KI-Assistenten sind segmentiert.
• Landingpages werden analysiert
• Das Engagement wird gemessen

Google AI-Suche

• Sofern verfügbar, werden auch Daten der Search Console mit einbezogen.
• Die KI-Übersichtssichtbarkeit unterscheidet sich von der traditionellen organischen Leistung.
• Daten aus dem KI-Modus werden, sofern verfügbar, berücksichtigt.
• KI-Impressionen werden nicht als Website-Besuche bezeichnet.

Conversions

• Leads werden verfolgt
• Qualifizierte Leads werden erfasst
• Verkaufschancen werden erfasst
• Käufe werden gegebenenfalls erfasst.
• Die Einnahmen werden erfasst.
• Unterstützte Konversionen werden berücksichtigt

ROI

• Investitionen in KI-Suche werden definiert
• Die Methodik der Zuordnung ist dokumentiert.
• Direkte und indirekte Einnahmen werden getrennt.
• Pipeline ist nicht mit Umsatz zu verwechseln.
• Die Behauptungen werden durch verfügbare Beweise gestützt.

Häufig gestellte Fragen

Was ist KI-gestütztes Reporting zur Suchsichtbarkeit?

Die Berichte zur Sichtbarkeit in KI-Suchergebnissen zeigen an, wie oft das Unternehmen in KI-generierten Suchanfragen wie ChatGPT, Perplexity, Google AI Overviews, Google AI Mode und Gemini erwähnt, gesehen, erwähnt, empfohlen oder anderweitig angesprochen wird. Diese Sichtbarkeitsmetriken werden mit Traffic, Conversions, Pipeline und Umsatz korreliert.

Wie misst man den ChatGPT-Traffic?

Der Referral-Traffic von ChatGPT lässt sich anhand von Referral- und Kampagnendaten in Analyseplattformen messen. Ausgehende Links von OpenAIs ChatGPT verwenden möglicherweise utm_source=chatgpt.com. Seit Mai 2026 verfügt Google Analytics 4 über einen integrierten KI-Assistenten-Kanal, der KI-Referral-Traffic ohne zusätzliche Konfiguration für Plattformen wie ChatGPT erkennt.

Dies misst einen Mindestwert, keine vollständige Zählung. Die mobilen Apps und In-App-Browser von ChatGPT entfernen häufig den Referrer-Header bei ausgehenden Klicks. In diesem Fall fehlen GA4 die Quellinformationen, wenn die Sitzung als „Direkt“ eingestuft wird und nicht als von ChatGPT stammend identifiziert werden kann. Klicks auf Desktop-Webseiten lassen sich eindeutig klassifizieren; Klicks über Apps hingegen oft nicht. Jede gemeldete ChatGPT-Traffic-Zahl sollte daher als zu niedrig betrachtet werden. Die Kombination mit der Überprüfung ungewöhnlicher Spitzenwerte bei Single-Page-Direktsitzungen kann helfen, die tatsächliche Differenz abzuschätzen.

Kann Google Analytics ChatGPT-Conversions erfassen?

Ja. Wenn ein Besucher über ChatGPT mit identifizierbaren Quellinformationen (Referrer oder UTM-Parameter) kommt und eine korrekt konfigurierte Conversion durchführt, kann GA4 diese Conversion der entsprechenden Trafficquelle zuordnen. Conversions, die zwar von ChatGPT beeinflusst, aber später über einen anderen Kanal abgeschlossen wurden oder mit einem entfernten Referrer eingehen, können jedoch möglicherweise gar nicht direkt ChatGPT zugeordnet werden. Dies kann daran liegen, dass die Verbindung nicht getrackt wird oder die Sitzung von vornherein nicht als von ChatGPT stammend identifiziert werden konnte.

Lässt sich der Traffic von Perplexity messen?

Ja, aber nicht automatisch wie beim ChatGPT-Traffic. Perplexity ist aktuell nicht im nativen KI-Assistenten-Kanal von GA4 enthalten; es landet standardmäßig im allgemeinen Referral-Traffic. Um es zu isolieren, muss manuell eine benutzerdefinierte Kanalgruppe oder ein Regex-Filter (der perplexity.ai in den Quelldaten findet) erstellt werden. Sobald dies eingerichtet ist, können Perplexity-Referral-Sitzungen genauso analysiert werden wie jeder andere getrackte Kanal. Wie bei ChatGPT werden hier nur Sitzungen erfasst, bei denen ein Referrer tatsächlich weitergeleitet wurde. Ein breiterer KI-Einfluss, der nie zu einer messbaren Sitzung geführt hat, ist hier unabhängig von der Konfiguration nicht sichtbar.

Lässt sich der Traffic der Google AI-Übersicht messen?

Teilweise. Die Google Search Console hat im Juni 2026 einen separaten Leistungsbericht für generative KI eingeführt. Dieser zeigt, wie häufig die Seiten einer Website in den KI-Übersichten und im KI-Modus als Impressionen angezeigt wurden, aufgeschlüsselt nach Seite, Land, Gerät und Datum. Damit wird eine bestehende Lücke geschlossen. Vor diesem Bericht gab es keine Möglichkeit, die Sichtbarkeit der KI-Übersichten von der organischen Standard-Performance zu trennen.

Die Funktionalität ist noch eingeschränkt: Der Bericht zeigt aktuell nur Impressionen an, keine Klicks, keine Klickrate (CTR) und keine Daten auf Suchanfrageebene. Da er schrittweise eingeführt wird, haben noch nicht alle Websites Zugriff darauf. Außerdem wird nicht angezeigt, ob eine Impression zu einem Besuch geführt hat. Dafür muss der Referral-Traffic separat geprüft werden. Da die Klicks der Google AI Overview in Analytics nicht von der organischen Suche getrennt werden, lässt sich der Referral-Traffic der AI Overview auch mit diesem neuen Bericht nicht isolieren.

Bedeutet eine KI-Übersichtsanzeige, dass jemand meine Website besucht hat?

Nein. Eine Impression der KI-Übersicht bedeutet, dass ein Link zu Ihrer Website innerhalb der generativen KI-Suchergebnisse angezeigt wurde. Ein separater Klick ist erforderlich, damit ein Nutzer die externe Website tatsächlich besucht. Wie bereits erwähnt, ist dieser Klick derzeit weder in der Search Console noch in GA4 von herkömmlichen organischen Klicks zu unterscheiden. Google behandelt Impressionen und Klicks der KI-Übersicht ausdrücklich als separate, nicht austauschbare Metriken.

Welche Kennzahl ist die wichtigste im Bereich KI-gestütztes SEO?

Es gibt keine allgemeingültige Kennzahl zur Messung von KI-SEO. Eine sinnvolle Hierarchie ist: gewichtete Sichtbarkeit → qualifizierter KI-Traffic → Conversions → Pipeline/Umsatz – vom unsichersten, am besten sampelten Ende der Kette hin zum direkt messbaren.

Bei einer Markenbekanntheitskampagne kann die Sichtbarkeit anfangs wichtiger sein, selbst bei geringerer Messgenauigkeit. Für ein E-Commerce-Unternehmen sind KI-gesteuerte Käufe und Umsätze relevanter und lassen sich nach einer Sitzung am einfachsten direkt messen. Im B2B-SaaS-Bereich ist eine qualifizierte Pipeline aufgrund langer Verkaufszyklen und geringer Transaktionszahlen pro Zeitraum in der Regel aussagekräftiger als das reine Traffic-Volumen.

Wie lässt sich einem Kunden der ROI der KI-Suche nachweisen?

Verbinden Sie die Messkette von der Sichtbarkeit bis zum Geschäftsergebnis: KI-Sichtbarkeit → Zitation/Empfehlung → Weiterleitung → Engagement → Konversion → Umsatz. Trennen Sie anschließend explizit, was direkt auf eine Sitzung zurückzuführen ist, die von einer KI-Plattform ausging, von dem, was unterstützt oder beeinflusst wurde (korreliert mit KI-Sichtbarkeitstrends, aber nicht auf eine bestimmte Sitzung zurückzuführen). Dokumentieren Sie die Methodik, die Stichprobengröße und die Liste der verwendeten Suchbegriffe für Sichtbarkeitsmetriken sowie das Attributionsmodell für Konversionen hinter jeder präsentierten Zahl.

Ersetzt KI-gestützte Suche SEO?

Keinesfalls so einfach. Die KI-Suche verändert zwar die Art und Weise, wie Menschen Informationen entdecken und bewerten, doch die traditionelle Suche bleibt ein wichtiger Kanal zur Informationsfindung. Beide nutzen zunehmend dieselben grundlegenden Signale wie Crawlbarkeit, strukturierte Daten und Inhaltsautorität, auf die sowohl traditionelle Rankings als auch KI-gestützte Zitate zurückgreifen. Ein besserer Ansatz wäre es, Inhalte und Technologien zu entwickeln, die sowohl für die konventionelle Suche als auch für die KI-gestützte Informationsfindung geeignet sind, anstatt sie als getrennte Systeme zu behandeln.

Sollten Agenturen KI-Rankings veröffentlichen?

Sie können zwar eine definierte Sichtbarkeits- oder Positionsmetrik für KI-Systeme angeben, sollten aber vermeiden, den Eindruck zu erwecken, KI-Systeme hätten eine universelle Ranking-Position, die den traditionellen organischen Suchergebnissen von Google entspräche. KI-Antworten variieren je nach Frage, Nutzerkontext, Standort, Aktualität der Inhalte, verwendeten Quellen und Plattform; dieselbe Marke kann bei zwei identischen Suchanfragen unterschiedlich erscheinen. Jede Formulierung zum Thema „Ranking“ sollte mit der Stichprobengröße und der zugrunde liegenden Methodik erläutert werden, da sie sonst mit einer höheren Sicherheit interpretiert wird, als die Daten rechtfertigen.